**超薄电波吸收材料助力5G/6G通信与人形机器人去噪**
日本NOK Corporation推出一种厚度仅为0.1mm的极薄电波吸收材料，旨在解决高频信号干扰问题。该材料采用特殊的磁性粉末技术，能在微米级尺度上实现高效吸波，有效抑制高频噪声。
在通信领域，该材料可显著降低5G及未来6G网络中的高频干扰，提升信号传输的稳定性与纯净度；在机器人领域，它能有效屏蔽人形机器人（humanoid）内部电机和驱动系统产生的电磁干扰。实验数据显示，该材料在28GHz等关键频段表现优异，能够显著降低电路板上的电磁噪声。
随着5G/6G通信基建的深化以及具身智能（embodied intelligence）应用的爆发，此类高性能屏蔽材料将成为提升高频通讯稳定性、保障人形机器人精密控制的关键基础组件。
**【头条】汽车巨头跨界布局：从自动驾驶到人形机器人的“具身智能”竞赛**
随着人工智能进入物理世界，BYD、Tesla和XPeng等新能源汽车巨头正加速布局 humanoid（人形机器人）领域。这些企业正将在自动驾驶中积累的感知算法与决策逻辑迁移至具身智能（embodied intelligence）赛道，旨在构建能够执行复杂任务的通用机器人平台。
技术核心在于从单纯的自动化转向高度智能化的端到端（end-to-end）控制。通过整合视觉-语言-动作模型（VLA）、强化学习（reinforcement learning）以及仿真到现实（sim-to-real）技术，这些机器人能够实现更灵巧的抓取（grasping）与复杂的运动控制（locomotion）。相比传统的自动导引车（AGV）或简单协作机器人（cobot），基于基础模型（foundation model）驱动的机器人具备更强的泛化能力。
这一跨界转型标志着“物理AI”时代的到来。汽车厂商通过布局人形机器人，旨在打破单一交通工具的边界，将智能制造、物流配送及家庭服务纳入其核心版图。这不仅是技术的迁移，更是从“移动空间”到“操作空间”的战略扩张，预示着通用机器人将成为下一个万亿级工业赛道。
**【头条】LimX Dynamics 发布人形机器人 TRON 2：实现复杂环境下的自主作业与末端配送**
LimX Dynamics 正式发布新一代人形机器人 TRON 2，该机器人在复杂多变的真实环境中展现出极高的自主执行能力，能够独立完成从园艺灌溉到“最后一公里”物流配送等多种高难度任务。
TRON 2 集成了先进的具身智能（Embodied Intelligence）技术，通过端到端（End-to-end）模型驱动，实现了高度复杂的运动控制与灵巧操作。在实际测试中，机器人能够精准识别并处理非结构化环境中的物体，如自动识别植物并进行浇水，或在复杂路况中完成配送任务。其核心技术突破在于将视觉-语言-动作（VLA）模型与强化学习深度结合，显著提升了机器人在动态环境中的决策精度和运动稳定性。
TRON 2 的推出标志着人形机器人从实验室走向工业应用的关键跨越。通过在农业、物流等领域的实战验证，该产品证明了具身智能在处理复杂交互任务中的巨大潜力，为推动通用型人形机器人进入大规模商业化应用提供了重要技术支撑。
现代汽车（Hyundai）完成对Boston Dynamics的收购，旨在通过整合其核心技术加速人形机器人领域的商业化落地。在交易达成同日，相关工厂工人因Atlas机器人的生产与应用问题发起罢工。此次收购意味着工业巨头正深度布局具身智能领域，试图将复杂的运动控制与操作能力转化为大规模量产能力。这标志着机器人产业从实验室研发转向工业制造融合，加速了人形机器人从技术原型向通用工业载体转型的进程。
Tesla 在 Giga Texas 工厂大幅扩建 Optimus 人形机器人生产线，旨在加速具身智能（embodied intelligence）从实验室走向大规模工业化。工厂新增产能支持多项核心技术突破，包括基于端到端（end-to-end）架构的运动控制与复杂抓取任务。通过整合视觉-语言-动作（VLA）模型，Optimus 能够更精准地执行多样化的操作指令。这标志着人形机器人正从单一的技术原型演变为具备通用能力的工业生产力，将推动具身智能在制造业中的大规模落地应用。
机器人初创公司 Unitree（宇树科技）展示了一款能够自主切换形态的创新机器人，其核心突破在于通过软件架构实现从人形机器人到四足机器人的形态转换。该系统融合了端到端模型与强化学习技术，支持在不同运动控制逻辑间无缝切换。这一跨越式进展意味着具身智能（Embodied Intelligence）正从单一形态的特定任务执行，向通用型、多模态形态适配演进。这为未来机器人能够根据复杂环境动态调整物理形态以完成多样化操作提供了技术路径。
Johnson & Johnson (强生) 获美国 FDA 批准其用于软组织手术的机器人系统，标志着医疗手术自动化迈入新阶段。该设备旨在辅助外科医生进行更精准的软组织操作，提升复杂手术中的操控精度。此举推动了高精密医疗器械从传统工具向智能化系统的转型。对于具身智能行业而言，这证明了高度可靠的机器操作技术正从工业领域渗透至高要求的医疗场景，为具备精细抓取与灵巧操作能力的机器人进入临床应用提供了关键的技术背书和合规路径。
研究团队提出一种两阶段端到端强化学习（RL）框架，旨在提升四足机器人（Quadrupedal Robot）在复杂室内环境中的楼梯攀爬与下降能力。该方案采用 Unitree Go2 机器人在 Isaac Lab 环境中进行训练，通过从抽象金字塔地形过渡到包含直式、L型及螺旋形等真实建筑结构的复杂楼梯场景，实现了导航与运动控制的统一学习。研究证明仅依靠局部高度图感知即可实现跨场景泛化。这为具身智能在极端环境下的鲁棒性提供了技术路径，推动了救援机器人从单一路径规划向具备高适应性的动态运动控制进化。
研究者提出一种受镜像神经元系统（MNS）启发的双层架构，旨在为NICO人形机器人实现运动原语发现与在线相位识别。该系统利用两个自组织映射（SOM）分别对手臂和手部运动学进行拓扑表征，涵盖了7种不同的动作类别；随后结合回声状态网络（ESN）对时间轨迹进行处理。实验证明，基于SOM的轨迹能有效保留动作的核心辨识结构。这一技术突破为具身智能提供了更高效的底层动作建模方案，能够显著提升人形机器人在复杂交互中的实时动作感知与协同能力。
电商巨头Zalando参与Sereact的B轮融资，旨在通过自动化技术优化仓储物流。Sereact提供基于自动导引车（AGV）和自主移动机器人（AMR）的智能系统，支持复杂的仓库分拣与配送场景。此次投资强化了工业级机器人的商业化落地路径，推动仓储领域从传统人工向高度自动化的具身智能驱动模式转型。这标志着零售巨头正深度布局自动化供应链，通过集成更高效的移动机器人技术来降低运营成本并提升履约效率。
研究者提出 PAVXploreRL 框架，通过强化学习优化包含物理合理性、动作遵循和视觉保真度的世界模型（World Model）。该方法结合在分布的专家轨迹与噪声驱动的离分布（OOD）动作探索，无需配对视频监督即可提升模型的泛化能力。实验显示，PAVXploreRL 在多个基准测试中比预训练基线平均提升 5.6%，并显著降低了如 Ctrl-World 等模型在策略评估中的过度估计偏差。这为具身智能提供了更可靠的模拟环境，能有效减少真实世界数据采集成本，加速机器人动作决策的自动化演进。
研究者提出一种“提升的”世界模型（Lifted World Model）框架，通过轻量级策略将高层动作映射到低层关节动作序列，解决复杂具身智能体在处理高维动作空间时的规划难题。该方法在人形机器人实验中表现出色，相比于直接在低层关节空间搜索，其目标姿态的平均关节误差降低了3.8倍。通过引入如盆骨、头部、手部等关键部位的2D路径点作为高层指令，该方案显著提升了计算效率并增强了泛化能力。这为解决复杂机器人任务中的长程规划问题提供了新路径，让具身智能系统能够更高效地处理从宏观意图到微观控制的跨层级映射。
研究者提出一种基于量子部分可观测马尔可夫决策过程（q-POMDP）和可行性掩码图神经网络（GNN）的稳健信念状态路由框架，旨在解决量子网络在退相干及时变条件下的动态路由难题。该系统通过原子微周期机制精确核算内存预留、纯化消耗及交换结果等关键资源约束，并利用角色感知匹配技术提升大规模规划的可扩展性。实验表明，该混合控制器在有限内存拓扑下显著提升了高保真吞吐量（goodput），且决策成本低于仅使用规划器的方案。这为复杂环境下的量子网络通信提供了更稳健的自动化调度算法，推动量子互联网从理论模型向具备鲁棒性的实际工程应用迈进。
研究团队提出 ADWM（Autoregressive Diffusion World Models，自回归扩散世界模型）框架，旨在通过预先收集的轨迹数据对大语言模型（LLM）智能体进行离线评估。不同于以往同时扩散状态与动作的方法，ADWM 将每个转换视为独立的去噪过程，并利用策略条件评分函数引导生成，解决了 LLM 决策过程中离散文本采样导致的误差累积问题。该技术能显著降低在多轮交互环境中测试新策略的成本与风险。这为具身智能领域的复杂任务评估提供了高效路径，让开发者无需在真实环境或高成本模拟器中反复试错即可准确预判 LLM 智能体的决策性能。
研究者提出一种基于检索增强生成（RAG）的策略学习方法，将向量搜索转化为因果推断中的最近邻匹配。该方法包含一步式和两步式两种路径：其中两步式通过在嵌入空间检索特定动作的邻近证据，并利用生成器估计条件期望结果或对比项。研究通过分解遗憾（regret）指标，利用Transformer预测误差保证来约束选择偏差。这为具身智能中的决策优化提供了新路径，通过引入因果推断框架，提升机器人在复杂环境下的行动决策准确性与鲁棒性。
Galbot正通过将人形机器人部署于药店和便利店等零售场景，推动具身智能从实验室走向社会化应用。该产品在实际落地中不仅涉及复杂的运动控制（locomotion），更强调在复杂多变的真实环境中完成抓取（grasping）与操作（manipulation）。这种从特定工业环境向非结构化公共空间的跨越，标志着人形机器人正从单纯的技术原型演变为具备实用价值的商业工具。这预示着具身智能将加速进入服务业渗透，推动通用型机器人在零售、物流等民生领域的规模化落地。
Agility Robotics 宣布开设新设施，旨在加速其人形机器人技术的研发与量产。该公司核心产品包含具备高度灵巧操作能力的双足机器人，并正通过集成视觉-语言-动作（VLA）模型和端到端学习技术提升机器人的具身智能水平。通过在真实场景中优化抓取、运动控制以及从仿真到现实（sim-to-real）的迁移，Agility 旨在解决复杂工业环境下的自动化难题。这标志着人形机器人正从实验室原型走向大规模商用化，推动具身智能技术在物流、制造等领域的深度落地。
Tesla推出Optimus人形机器人，旨在通过具身智能（embodied intelligence）解决全球制造业劳动力短缺与供应链重构挑战。该产品融合了端到端（end-to-end）学习架构与基础模型技术，旨在实现复杂的抓取、操作及运动控制任务。相比传统AGV或AMR，Optimus具备更强的灵巧性与通用性。这标志着人形机器人正从实验室走向大规模工业应用，通过自动化替代重复性高、环境复杂的生产环节，推动制造业向高度自动化的方向转型。
Boston Dynamics 正在推动其四足机器人 Spot 进入“最后一公里”配送领域，旨在通过自动化替代传统的人工派送。该机器人在复杂地形下的运动控制能力显著优于传统的自动导引车（AGV），并能与复杂的城市环境交互。随着具身智能（embodied intelligence）技术的融合，Spot 等设备正从实验室走向实际物流场景。这标志着机器人正从简单的工业搬运转向具备高自由度操作能力的复杂任务执行，将倒逼物流行业加速布局自动化配送基础设施。
Mitsubishi Motors（三菱汽车）宣布进军人形机器人市场，旨在通过具身智能（embodied intelligence）技术突破传统制造瓶颈。该公司计划将核心研发重点转向物理AI，利用端到端（end-to-end）架构提升机器人的运动控制与灵巧操作能力。此举标志着传统汽车巨头正从机械工程向高度集成的机器人系统转型。对于具身智能行业而言，这预示着汽车工业的生产线将加速向自动化、智能化转型，大规模工业场景将成为人形机器人落地的核心试验场。